基于自适应规整化方法的图像超分辨率重建

以Gauss-Gibbs随机场模型为图像的先验概率模型,运用自适应规整化的最大后验概率(MAP)方法进行图像超分辨率重建.通过对先验概率分布参数的估计,对图像超分辨率重建求解进行自适应规整化,从而提高重建图像的质量.实验结果表明,该算法能较好地再现图像的各种边缘信息,重建的高分辨率图像在峰值信噪比和视觉效果方面都得到明显提高.     

基于迭代条件模型算法的图像超分辨率重建

图像超分辨重建是从一系列降质的低分辨率图像中获取高分辨率的图像。在最大后验概率算法基础上提出了一种基于马尔可夫随机场的超分辨率重建算法,并通过迭代条件模型实现超分辨率图像重建。实验结果表明,与传统的超分辨率重建算法相比,该算法是一种快速的计算最大后验概率的方法,采用Potts-Strauss模型作为图像的先验概率密度函数,经过五、六次的迭代就能达到理想的迭代效果,解决了最大后验概率算法计算量大的缺点,是一种高效的超分辨率重建算法,具有一定的实用价值。     

自适应阈值HMRF模型超分辨率重建

针对Huber-Markov随机场作为图像先验进行MAP超分辨率重建时先验约束的有效性问题,通过分析重建过程中Huber惩罚函数与图像空间灰度变化分布特性的相互关系,提出一种根据图像空间灰度变化统计特性,在超分辨率重建迭代过程中动态确定Huber函数阈值的方法。实验结果表明,该方法可根据不同图像的边缘特性,自适应确定Huber惩罚函数阈值,在有效抑制噪声的同时,保持重建图像的边缘和细节信息。     

基于自适应双边全变差的图像超分辨率重建

超分辨率图像重建技术就是通过融合多幅变形、模糊、有噪、频谱混叠的低分辨率降质图像(或视频序列)来重建一幅高质量高分辨率图像.MAP估计算法是一种广泛使用的统计重建方法.针对标准的MAP算法引入了自适应概念,引入了图像自适应加权系数矩阵;据此给出一种基于自适应双边全变差的图像超分辨率重建算法,该方法不仅能在图像超分辨率重建过程中抑制噪声,而且能锐化图像中的边缘信息;建立了自适应重建模型并用梯度下降法推导出迭代计算公式.实验表明,该算法在收敛性和精确性上都达到了较好的效果.     

PET序列图像超分辨率优质重建算法

为了从PET序列低分辨率图像中重建出优质高分辨率图像,提出了一种基于正则化参数的自适应线性斜率超分辨率算法。该算法通过对正则化线性斜率的自适应,更新动态优化代价函数,以降低对PET图像高频成分的抑制。为验证算法的有效性,采用模拟PET序列图像进行实验。实验结果表明,新算法在改善图像空间分辨率上取得良好的效果。     

基于二阶微分算子和测地距离的深度图超分辨率重建

针对TOF相机原始获取深度图像分辨率非常低,且超分辨率重建中易出现边缘模糊和伪影的问题,提出一种基于二阶微分算子和测地距离的深度图超分辨率重建算法。以彩色信息作为引导,运用双边滤波的思想,采用测地距离把低分辨率深度图像的空间高斯核与高分辨率彩色图像的幅度高斯核函数结合起来,体现了深度图与彩色图的一致性,并引入深度核函数对两个相邻像素具有类似颜色但深度值不同的情况进行处理,抑制颜色相似但深度值不同区域的伪影现象,恢复出边缘轮廓显著的高分辨率深度图。实验结果表明,该算法可以有效保护图像的边缘结构且解决伪影问题,并在定性和定量两个方面都可达到很好的效果。     

基于HMRF先验模型的超分辨率重建

针对基于最大后验概率(MAP)的超分辨率重建算法在重建图像过程中存在的问题,提出一种基于Huber-马尔可夫随机场(HMRF)先验模型的超分辨率重建方法,采用HMRF作为图像先验模型,对图像进行分段超分辨率重建。仿真实验结果表明,与传统的MAP算法相比,该方法能更好地保存重建图像的边缘细节,有效提高重建图像的质量。     

RAISR算法在遥感图像超分辨率重建中的可行性

针对遥感图像空间分辨率不足的问题,探讨了RAISR(rapid and accurate image super resolution)算法在单帧遥感图像超分辨率重建中的可行性。RAISR算法以处理自然图像为主,分为学习阶段和图像重建阶段。学习阶段是利用训练库图像生成滤波器,是算法的核心部分;图像重建阶段是利用滤波器重建图像。首先,在学习阶段,根据图像块的位置、角度、强度、相干性等特征对滤波器进行分类,并采用哈希列表存储;然后,针对遥感图像特点,优化了RAISR算法的滤波器尺寸,并采用USM(unsharp mask)方法增强边缘纹理特征,以达到最佳的重建效果;最后,用多组遥感图像进行了重建实验。结果表明:RAISR算法的重建质量与训练集图像的分辨率、数量、类别、所含地物类型有关;本文优化的RAISR算法重建后的遥感图像细节、边缘等信息都得到了改善。     

超分辨率图像重建算法综述

在人类视觉感知系统中,高分辨率(HR)图像是图像清晰表达其空间结构、细节特征、边缘纹理等信息的重要媒介,在医学、刑侦、卫星等领域有着极为广泛的实用价值.超分辨率图像重建(SRIR)旨在从给定的低分辨率(LR)图像中,重建含有清晰细节特征的高分辨率图像,是计算机视觉和图像处理领域中的一项重点研究任务.首先,对超分辨率图像...     

图像超分辨率重建算法综述

图像超分辨率重建旨在从低分辨率图像恢复出高分辨率清晰图像。阐述了典型图像超分辨率重建方法的思想,从上采样位置和上采样方法、学习策略、损失函数等维度,对典型和最新的基于深度学习的图像超分辨率重建算法进行了评述,分析了最新的发展现状,并对未来发展趋势进行了展望。     

自适应超分辨率图像重构

超分辨率图像重构是利用关于同一场景的多帧低分辨率图像重构出一幅具有更高分辨率图像的过程。已有的MAP超分辨率图像重构算法由于没有对图像中的不同区域分别处理,所以无法在重构出清晰的边界和更多细节的同时抑制边缘振荡效应的产生。提出了针对图像中的不同区域进行自适应处理的超分辨率图像重构算法,与已有的算法相比,新算法所重构出的图像质量,不论在定量指标上还是人眼主观评判上都有了很大的提高。     

基于低层次计算机视觉的超分辨率图像重建

在基于低层次计算机视觉的超分辨率图像重建过程中,角点检测和插值是两个关键的技术。首先在SUSAN角点检测算法的基础上提出了改进算法,改进后的算法根据图块对比度的不同,在确定位于不同图块中的像素的USAN面积时采用了可变灰度阈值,可变灰度阈值的采用,使得检测出的角点分布更加均匀,而角点分布均匀则使得图像配准更加精确,有利于后期的重建工作。其次,提出了一种适合于超分辨率图像重建的插值算法：基于圆区域的自适应插值算法。该算法可以根据待插值点周围的灰度特征自适应决定插值策略,将线性插值、最邻近插值和中值插值法有机地结合在一起。大量的仿真实验证明了提出算法具有运算量小、图像重建后的效果出重,易于实现。     

双边全变分的自适应核回归超分辨率重建

正则化方法是目前解决超分辨率重建中病态问题的一种被广泛使用的方法。在分析了现有基于多种正则化超分辨率重建方法的基础上,构造了一种基于双边全变分（BTV）的自适应核回归滤波核,并将它作为正则化超分辨率重构的代价函数,该方法根据图像特征自适应生成正则项的滤波核函数。实验结果表明,与传统的正则化重建方法相比较,该算法既能有效地去除噪声,也能很好地保留图像细节部分,同时还具有一定的鲁棒性。通过客观和主观评价表明,图像重建质量有显著的提高。     

一种实时鲁棒的超分辨率图像重建方法

在智能交通系统中,超分辨率重建技术有着广泛的应用。提出一种新的超分辨率图像重建方法,用于提高超分辨率图像的重建质量。该方法从低分辨率图像中提取出具有独特性和鲁棒性的SURF特征描述子,进行匹配计算,采用最小二乘法估计运动参数,采用ANC算法对图像进行插值计算。实验结果表明,该方法具有较强的鲁棒性和实时性,重建质量较之其他重建算法要高。     

彩色图约束的二阶广义总变分深度图超分辨率重建

目的 针对深度图像分辨率非常低的问题,结合同场景高分辨率彩色图像,提出一种基于彩色图约束的二阶广义总变分深度图超分辨率重建方法。方法 首先将低分辨率深度图映射到高分辨率彩色空间;然后利用二阶广义总变分模型,将带有边缘指示函数的高分辨率彩色约束项作为正则项,使得深度图像超分辨率重建问题变成最优求解问题;最后通过迭代重加权和原—对偶方法进行求解。结果 实验结果表明,本文方法可以有效地保护图像的边缘结构,在定性和定量两个方面都可达到很好的效果。结论 本文方法可以有效地解决深度图分辨率非常低的问题。     

图像超分辨率重建中的细节互补卷积模型

目的 现有的超分辨卷积神经网络为了获得良好的高分辨率图像重建效果需要越来越深的网络层次和更多的训练,因此存在了对于样本数量依懒性大,参数众多致使训练困难以及训练所需迭代次数大,硬件需求大等问题。针对存在的这些问题,本文提出一种改进的超分辨率重建网络模型。方法 本文区别于传统的单输入模型,采取了一种双输入细节互补的网络模型,在原有的SRCNN单输入模型特征提取映射网络外,添加了一个新的输入。本文结合图像局部相似性,构建了一个细节补充网络来补充图像特征,并使用一层卷积层将细节补充网络得到的特征与特征提取网络提取的特征融合,恢复重建高分辨率图像。结果 本文分别从主观和客观的角度,对比了本文方法与其他主流方法之间的数据对比和效果对比情况,在与SRCNN在相似网络深度的情况下,本文方法在放大3倍时的PSNR数值在Set5以及Set14数据下分别比SRCNN高出0.17 dB和0.08 dB。在主观的恢复图像效果上,本文方法能够很好的恢复图像边缘以及图像纹理细节。结论 实验证明,本文所提出的细节互补网络模型能够在较少的训练以及比较浅的网络下获得有效的重建图像并且保留更多的图像细节。     

多阶导数自适应视频超分辨率重建

传统视频超分辨率重建算法在去除噪声的同时,很难有效保持图像边缘细节信息。针对该问题,构建了一种结合多阶导数数据项和自适应正则化项的视频超分辨率重建算法。在正则化重建模型的基础上,该算法对数据项进行改进,引入能更好描述噪声统计特性的噪声多阶导数,并利用去噪效果较好的全变分(TV)和非局部均值(NLM)正则化项对视频超分辨率重建过程进行约束。此外,为了更好地保持图像细节信息,采用区域空间自适应曲率差分算法提取结构信息,从而对正则化系数进行自适应加权。实验结果表明:在噪声方差为3时,与核回归算法和聚类算法相比,该算法重建视频主观效果边缘更加锐化,局部结构更加正确、清晰;重建视频的均方误差(MSE)平均下降幅度分别为25.75%和22.50%;峰值信噪比(PSNR)分别平均提升了1.35 dB和1.14 dB。所提算法能够在去除噪声的同时有效保持图像的细节特征。     

基于自适应约束正则HL-MRF先验模型的MAP超分辨率重建

针对Huber-MRF先验模型对图像高频噪声抑制能力较差,而Gauss-MRF先验模型对图像高频过度惩罚的问题,提出了一种改进的自适应约束正则HL-MRF先验模型。该模型将Huber边缘惩罚低频函数与Lorentzian边缘惩罚高频函数相结合,对低频进行线性约束的同时对高频实现平滑惩罚;并采用自适应约束方法确定正则化参数,从而得到最优的参数解。与基于Gauss-MRF先验模型和Huber-MRF先验模型的超分辨率算法相比,HL-MRF先验模型获得的超分辨率重建图像在峰值信噪比(PSNR)和细节方面都有一定程度的提高,在抑制高频噪声、避免图像细节被过度平滑方面具有一定的优势。